Mettre l’intelligence à l’échelle : un cadre formel et pratique pour une IA à capacité de calcul non bornée
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Khudiyev, Ali
Date de soutenance : 28-11-2025

Directeur(s) de thèse : Jeannin, Anne - Gardashova, Latafat

Président : Wemmert, Cédric
Rapporteur(s) : Steffenel, Luiz Angelo - Bertrand, Frédéric
Membre(s) du jury : Guyet, Thomas - Abdulkarimova, Ulviyya

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : IA sans limites de calcul, Intelligence autonome, Apprentissage sensible aux capacités, Réseaux de neurones artificiels, Apprentissage continu, Prédiction sélective, Boosting, Apprentissage profond
Mots-clés :
  • Intelligence artificielle
  • Apprentissage profond
Résumé : Les architectures d’IA fixes sont limitées par le calcul : la théorie de la complexité montre que certainsproblèmes exigent des ressources dont la croissance peut être exponentielle. CeLe thèse présentel’IA à capacité de calcul non bornée (CUAI), qui permet une mise à l’échelle autonome des capacités,inspirée par la modularité et la plasticité neuronales. CUAI réduit la fragilité des modèles statiquesen environnement dynamique grâce à une expansion autodirigée. Contributions principales : (1) leframework d’extension de colonnes, qui met à l’échelle les réseaux de neurones ar)ficiels parréécriture de graphes et duplication de sous-graphes, validé sur MNIST-1D ; (2) le frameworkd’apprentissage conscient de la capacité (CAL), combinant boosting et prédiction sélective avec desauto-encodeurs MLP pour améliorer couverture et précision, au-delà d’un modèle unique. Lestravaux futurs visent des déploiements réels et l’alignement vers une intelligence autonome etévolutive.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD044
Type de ressource : Thèse